通过不同维度观察同一组数据,从而洞查数据异动背后的原因。

怎么用?

step 1: 是什么?确定从哪些维度进行拆解。

step 2: 有什么用?解决辛普森悖论的问题,避免只看数据整体,而忽略数据内部差异,从而得出与事实相反的结论。

step 3:怎么用?两个维度拆解,指标构成和业务流程分别进行拆解。

一个实例:

某公司上月销售额3000万。这就是一个指标,没有拆分维度。如果加了分类维度,效果如下:

1.png

再加一个时间维度,效果如下:

2.png

比起只看总数,多维度拆解能更确定的定位数据,进而分析问题原因。假如上月目标销售额是3500万,发现实际与目标差500万,可我们不知道为什么不达标,这时候需要拆细一点,比如:

添加分类维度,看哪个部门没做好:

3.png

如果单纯看销售额差500万,什么问题也解决不了,对数据进行拆解以后,我们发现A、C两个部门是公司业务大头,其中C部门上月业绩表现更差。

添加过程指标,看哪个环节出了问题:

4.png

增加过程指标和分类维度,能更准备的定位问题,让简单的结论显而易见。但正因为简单,很多数据分析人员容易把业务口中的多维度,直接理解成“维度多”,听到做数据分析,就是拆、拆、拆。

下面是典型的基于数据做的多维度拆分结果:

5.png

但业务真正需要的多维度,是这个意思吗?

业务脑子里装的是不是数据库里的表结构,不是数据有哪些字段,而是一个个具体的问题。当业务看到上月销售目标没有完成时,脑子里的多维度是这样的:

影响因素.png

此时发现,单纯看数据根本回答不了业务的问题。

以客户意向太少为例,到底是竞争对手发力,还是产品没做好,还是营销活动没跟上导致的,根本说不清楚,自然解决不了业务问题。

所以,真正的多维度分析,关注的不是数据的计算能力,而是业务的策略能力。具体来说包括三方面内容:

(1)把业务上的理由,转化为数据上论证。

(2)堵住借口:业务不要总试图甩锅,集中精力想能干点啥。

(3)找到症结:在一堆影响因素里,找到最关键的那个,集中发力。

注意,这三件事是有顺序的:

(1)先把数据论证方式列清楚,避免大家放空炮(数据不能论证的理由就闭嘴,是个非常好的议事规则)。

(2)之后先堵借口,找借口并不能解决问题,因此先把各种逃跑路线堵上。

(3)最后再集中想办法,想办法的时候,从大到小,从粗到细,先搞大问题。

所以,完整的多维度拆解分析法,可以分5步进行:

第一步,对业务提出的说法进行分类,对每一类问题,进行分析假设,把业务理由转化为数据逻辑,用数据说话,例如:

7.png

第二步:优先排除借口。

借口往往产生于宏观因素、外部因素、队友因素,而能堵住接口的关键在于——证伪。

证伪最好的办法是举例法,同样是下雨,为什么别人的业绩不受影响?同样面对竞争对手的促销,为什么别人的业绩能保持住?

在堵住借口的同时,也指出了解决问题的出路,给出具体的学习对象,可以极大的激发业务思考对策,从而达到双赢的效果。

第三步,解决白犀牛,剔除明显的重大影响。

比如监管政策、公司战略、重大外部环境等等因素,确实会对企业经营起到重大作用,并且这些因素是普通小员工只能接受,不能改变的。

如果业务真的把责任推给大环境,那就要用数据证明符不符合趋势。

第四步,解决黑天鹅,剔除明显突发事件

如果真的发生突发事件,很容易找到根源,例如,正向的有,促销活动、新产品上线等,负向的有,恶劣天气、系统宕机、突发事件等。

第五步,按分工锁定问题点再谈细节

解决了大问题以后,想讨论更细节的问题就得锁定部门,先定人再谈计划。

因为部门职责固定,所以一般先找到问题环节,再细看这个环节哪些问题比较大,就能锁定责任部门。所以分析时不能胡乱拆解,要么先环节再细分维度,要么先细分部门后拆解环节,这样容易落实责任。

扫码关注李苦李公众号

李苦李公众号

添加新评论